TY -的A2 Jagannathan Sarangapani AU - Yu Xiangchun盟——张,哲盟——吴,Lei AU -庞,魏盟——陈,效果非盟- Yu Zhezhou AU - Li Bin PY - 2020 DA - 2020/01/31 TI -深合奏学习人类行为识别静态图像SP - 9428612六世- 2020 AB -大量的人类活动,如“打电话”,“PlayingGuitar,”和“RidingHorse”可以被静态cue-based推断方法即使他们运动的视频可以考虑一个静态图像可能已经足够解释一个特定的行动。在这个研究中,我们研究人类行为识别的静态图像整体学习和利用深自动分解身体姿势和感知它的背景信息。首先,我们构造一个端到端的NCNN-based模型通过附加非连续性卷积神经网络(NCNN)模块的顶部pretrained模型。非连续性网络拓扑的NCNN可以单独学习空间——与并行分支和channel-wise特性,这有助于提高模型的性能。随后,为了进一步利用非连续性拓扑的优点,提出基于权重优化端到端整体学习深(DELWO)模型。它有助于融合深度信息来源于多个模型自动从数据。最后,我们设计了整体学习深基于投票策略(DELVS)模型一起池多个深度模型和加权系数来获得一个更好的预测。更重要的是,可以减少模型的复杂性减少可训练的参数的数量,从而有效地减轻过度拟合问题的模型在一定程度上在小数据集。我们在李的行动数据集进行实验,uncropped和1.5 x裁剪柳树行动数据集,结果验证了该模型的有效性和鲁棒性在小数据集而言,减轻过度拟合问题。最后,我们开源的代码模型在GitHub ( https://github.com/yxchspring/deep_ensemble_learning),以便与社区分享我们的模型。SN - 1076 - 2787你——https://doi.org/10.1155/2020/9428612——10.1155 / 2020/9428612 JF - PB - Hindawi KW - ER -复杂性